[發明專利]人臉偽造識別模型訓練方法和裝置、人臉識別方法和裝置

在審

• 申請號: 202310651256.8
• 申請日: 2023-06-02
• 公開（公告）號: CN116612355A
• 公開（公告）日: 2023-08-18
• 發明（設計）人: 林佳瀅;金璐
• 申請（專利權）人: 支付寶（杭州）信息技術有限公司
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/764;G06V40/16;G06V10/82;G06N3/0464;G06N3/047
• 代理公司: 濟南信達專利事務所有限公司 37100
• 代理人: 李世喆

本說明書實施例提供了人臉偽造識別模型的訓練方法和裝置、人臉識別方法和裝置。該訓練方法包括：得到訓練樣本集；對訓練樣本集中的每一個樣本進行模擬正常干擾的處理；將處理后的訓練樣本集中的每一個樣本輸入人臉偽造識別模型中；人臉偽造識別模型的損失函數包括：交叉熵損失函數以及軟目標交叉熵損失函數；根據得到的每一個樣本的預測值與該樣本的標簽，計算交叉熵損失函數的值；根據每一個樣本的預測值與該樣本對應的軟目標值，計算軟目標交叉熵損失函數的值；根據計算出的交叉熵損失函數的值以及軟目標交叉熵損失函數的值，調整人臉偽造識別模型的參數，直至收斂。本說明書實施例能更加準確地識別出包括正常干擾信息的真實人臉圖像。

技術領域

本說明書一個或多個實施例涉及電子信息技術，尤其涉及人臉偽造識別模型的訓練方法和裝置、人臉識別方法和裝置。

背景技術

當下，在終端設備中，越來越多的應用程序(APP)都會使用人臉信息，涉及的功能也十分廣泛，包括登錄、認證、支付等等，人臉信息的方便快捷為數字生活提供了很多便利。

實際應用中，存在偽造人臉圖像以及包括正常干擾信息的真實人臉圖像。其中，偽造人臉圖像是攻擊者通過圖片、文字以及音視頻等素材生成的人臉圖像，從而達到攻擊目的。而對于包括正常干擾信息的真實人臉圖像，是由于用戶身處的環境、設備機具的采集能力、不同APP客戶端的需求差異等，導致了真實的人臉圖像質量參差不齊，例如圖片光線很暗或者過度曝光、采集到的人臉不清晰或者被物體遮擋、對像素進行大幅壓縮以節約資源等，從而得到了包括正常干擾信息的真實人臉圖像。

因為包括正常干擾信息的真實人臉圖像中也存在干擾信息，因此，目前經常將包括正常干擾信息的真實人臉圖像識別為偽造人臉圖像，從而出現了錯誤的識別，降低了人臉識別的準確性。因此，亟需設計出一種更為準確的人臉偽造識別模型，不僅能識別出偽造人臉圖像，更能準確識別出包括正常干擾信息的真實人臉圖像。

發明內容

本說明書一個或多個實施例描述了人臉偽造識別模型的訓練方法和裝置、人臉識別方法和裝置，能更為準確地識別出包括正常干擾信息的真實人臉圖像，減少誤識別。

根據第一方面，提供了一種人臉偽造識別模型的訓練方法，其中，

得到訓練樣本集；該訓練樣本集中包括真實人臉圖像樣本以及偽造人臉圖像樣本；

對訓練樣本集中的每一個樣本進行模擬正常干擾的處理；

將處理后的訓練樣本集中的每一個樣本輸入當前待訓練的人臉偽造識別模型中；其中，該人臉偽造識別模型的損失函數包括：交叉熵損失函數以及軟目標交叉熵損失函數；

得到當前的人臉偽造識別模型針對每一個樣本輸出的預測值；

根據得到的每一個樣本的預測值與該樣本的標簽，計算所述交叉熵損失函數的值；

根據得到的每一個樣本的預測值與該樣本對應的軟目標值，計算所述軟目標交叉熵損失函數的值；

根據計算出的所述交叉熵損失函數的值以及所述軟目標交叉熵損失函數的值，調整所述人臉偽造識別模型的參數，直至人臉偽造識別模型的損失函數收斂。

其中，所述對訓練樣本集中的每一個樣本進行模擬正常干擾的處理，包括：對訓練樣本集中的每一個樣本進行高斯模糊處理。

其中，所述對訓練樣本集中的每一個樣本進行高斯模糊處理，包括：

對訓練樣本集中的每一個樣本，在該樣本的全圖像范圍內對所有圖片像素進行整體的高斯模糊處理；和/或，

對訓練樣本集中的各個樣本，在該各個樣本的預設圖像邊緣范圍內進行高斯模糊，并且在各個樣本的不同圖像位置處，進行高斯模糊處理的圖像邊緣范圍的尺寸大小和模糊的強度不完全相同。

其中，所述對訓練樣本集中的每一個樣本進行模擬正常干擾的處理，進一步包括：